Background Previous studies explored MRI‐based radiomic features for differentiating between human epidermal growth factor receptor 2 (HER2)‐zero, HER2‐low, and HER2‐positive breast cancer, but deep learning's effectiveness is uncertain. Purpose This study aims to develop and validate a deep learning system using dynamic contrast‐enhanced MRI (DCE‐MRI) for automated tumor segmentation and classification of HER2‐zero, HER2‐low, and HER2‐positive statuses. Study Type Retrospective. Population One thousand two hundred ninety‐four breast cancer patients from three centers who underwent DCE‐MRI before surgery were included in the study (52 ± 11 years, 811/204/279 for training/internal testing/external testing). Field Strength/Sequence 3 T scanners, using T1‐weighted 3D fast spoiled gradient‐echo sequence, T1‐weighted 3D enhanced fast gradient‐echo sequence and T1‐weighted turbo field echo sequence. Assessment An automated model segmented tumors utilizing DCE‐MRI data, followed by a deep learning models (ResNetGN) trained to classify HER2 statuses. Three models were developed to distinguish HER2‐zero, HER2‐low, and HER2‐positive from their respective non‐HER2 categories. Statistical Tests Dice similarity coefficient (DSC) was used to evaluate the segmentation performance of the model. Evaluation of the model performances for HER2 statuses involved receiver operating characteristic (ROC) curve analysis and the area under the curve (AUC), accuracy, sensitivity, and specificity. The P ‐values <0.05 were considered statistically significant. Results The automatic segmentation network achieved DSC values of 0.85 to 0.90 compared to the manual segmentation across different sets. The deep learning models using ResNetGN achieved AUCs of 0.782, 0.776, and 0.768 in differentiating HER2‐zero from others in the training, internal test, and external test sets, respectively. Similarly, AUCs of 0.820, 0.813, and 0.787 were achieved for HER2‐low vs. others, and 0.792, 0.745, and 0.781 for HER2‐positive vs. others, respectively. Data Conclusion The proposed DCE‐MRI‐based deep learning system may have the potential to preoperatively distinct HER2 expressions of breast cancers with therapeutic implications. Evidence Level 4 Technical Efficacy Stage 3

This study aimed to investigate the effect of the transverse sinus (TS) stenosis (TSS) position caused by arachnoid granulation on patients with venous pulsatile tinnitus (VPT) and to further identify the types of TSS that are of therapeutic significance for patients. Multiphysics interaction models of six patients with moderate TSS caused by arachnoid granulation and virtual stent placement in TSS were reconstructed, including three patients with TSS located in the middle segment of the TS (group 1) and three patients with TTS in the middle and proximal involvement segment of the TS (group 2). The transient multiphysics interaction simulation method was applied to elucidate the differences in biomechanical and acoustic parameters between the two groups. The results revealed that the blood flow pattern at the TS and sigmoid sinus junction was significantly changed depending on the stenosis position. Preoperative patients had increased blood flow in the TSS region and TSS downstream where the blood flow impacted the vessel wall. In group 1, the postoperative blood flow pattern, average wall pressure, vessel wall vibration, and sound pressure level of the three patients were comparable to the preoperative state. However, the postoperative blood flow velocity decreased in group 2. The postoperative average wall pressure, vessel wall vibration, and sound pressure level of the three patients were significantly improved compared with the preoperative state. Intravascular intervention therapy should be considered for patients with moderate TSS caused by arachnoid granulations in the middle and proximal involvement segment of the TS. TSS might not be considered the cause of VPT symptoms in patients with moderate TSS caused by arachnoid granulation in the middle segment of the TS.

Objectives Develop risk-adapted conditional biopsy pathways utilizing MRI in combination with prostate-specific antigen (PSA) density (PSAD) and the ratio of free to total PSA (f/tPSA), respectively, to enhance the detection of clinically significant prostate cancer (csPCa) while minimizing 'negative' biopsies in low-risk patients.

Recent research has explored the linkage between major depressive disorder (MDD) and inflammation, especially via altered peripheral blood immune markers. However, the relationship between several novel leukocyte-derived ratios (LDR) and psychological stress in MDD remains uncertain. This study aimed to explore the relationship between LDR, clinical characteristics, recent life events, and childhood maltreatment in MDD patients.

Motivation: Prostate cancer (PCa) biochemical recurrence (BCR) following prostatectomy (RP) is correlated with a higher risk of distant metastasis, local recurrence, and even PCa-specific deathGoal(s): To develop and validate a machine learning multi-modality model based on preoperative magnetic resonance imaging (MRI), surgical whole-slide images (WSIs) and clinical variables for predicting PCa BCR following RP. Approach: Radiomics signature and pathomics signature were constructed using preoperative MRI and surgical WSI, respectively. A multi-modality model was constructed by combining radiomics signature, pathomics signature and clinical factors. Results: The multi-modality model exhibited the best predictive efficacy, which is significantly higher than all single-modality models. Impact: Our research could provide an innovative and useful tool for facilitating precision decision-making and personalized treatment in PCa patients. Future studies could utilizing deep learning to analyses mpMRI and WSIs.

Abstract Background The causal impact of lipid-lowering drugs on ovarian cancer (OC) and cervical cancer (CC) has received considerable attention, but its causal relationship is still a subject of debate. Hence, the objective of this study is to evaluate the impact of lipid-lowering medications on the occurrence risk of OC and CC through Mendelian randomization (MR) analysis of drug targets. Methods This investigation concentrated on the primary targets of lipid-lowering medications, specifically, 3-hydroxy-3-methylglutaryl-coenzyme A reductase (HMGCR) and proprotein convertase kexin 9 (PCSK9). Genetic variations associated with HMGCR and PCSK9 were derived from published genome-wide association study (GWAS) findings to serve as substitutes for HMGCR and PCSK9 inhibitors. Employing a MR approach, an analysis was conducted to scrutinize the impact of inhibitors targeting HMGCR and PCSK9 on the occurrence of OC and CC. Coronary heart disease (CHD) risk was utilized as a positive control, and the primary outcomes encompassed OC and CC. Results The findings of the study suggest a notable elevation in the risk of OC among patients treated with HMGCR inhibitors (OR [95%CI] = 1.815 [1.316, 2.315], p = 0.019). In contrast, no significant correlation was observed between PCSK9 inhibitors and the occurrence of OC. Additionally, the analysis did not reveal any noteworthy connection between HMGCR inhibitors, PCSK9 inhibitors, and CC. Conclusion HMGCR inhibitors significantly elevate the risk of OC in patients, but their mechanism needs further investigation, and no influence of PCSK9 inhibitors on OC has been observed. There is no significant relationship between HMGCR inhibitors, PCSK9 inhibitors, and CC.